본 논문에서는 영역기반 영상검색의 성능 향상을 위한 피드백 알고리즘으로 다중 클래스를 갖는 확률적 신경망(Probabilistic Neural Networks)을 이용한 방법론을 제안하고 이를 영역기반 영상 검색 시스템인 FRIP(Finding Regions In the Pictures) 시스템에 적용하였다. 본 논문에서 제안하는 피드백 알고리즘은 특정 벡터가 독립적이라는 가정을 할 필요가 없으며 보다 상세한 분류를 위해 추가적인 클래스들을 추가할 수 있도록 허용하고 있다. 또한 단지 4개 층(layer)만을 가지고 있음으로 학습을 위한 계산시간이 적게 든다는 장점이 있다. 추가적으로 다음단계에서의 성능 향상을 위해 분류 단계에서 사용자의 이전 피드백 행동을 모두 히스토리(history)로 모두 기억시켜 놓고 다음 단계를 위한 가중치 학습을 위해 사용하도록 한다. 히스토리를 사용함으로써 제안하는 알고리즘은 사용자의 주관적 의도를 보다 정확하게 파악 할 수 있을 뿐만 아니라 학습을 위해 이전 단계만을 사용 했을 때 발생할 수 있는 성능 감소를 막을 수 있다. 본 논문에서는 Corel-photo CD에서 3000장의 자연 영상을 무작위로 추출하여 기존의 방법론들과 제안하는 방법론의 성능을 측정하여 본 논문에서 제안하는 방법론이 성능이 우수함을 증명하였다.
본 논문에서는 영역기반 영상검색의 성능 향상을 위한 피드백 알고리즘으로 다중 클래스를 갖는 확률적 신경망(Probabilistic Neural Networks)을 이용한 방법론을 제안하고 이를 영역기반 영상 검색 시스템인 FRIP(Finding Regions In the Pictures) 시스템에 적용하였다. 본 논문에서 제안하는 피드백 알고리즘은 특정 벡터가 독립적이라는 가정을 할 필요가 없으며 보다 상세한 분류를 위해 추가적인 클래스들을 추가할 수 있도록 허용하고 있다. 또한 단지 4개 층(layer)만을 가지고 있음으로 학습을 위한 계산시간이 적게 든다는 장점이 있다. 추가적으로 다음단계에서의 성능 향상을 위해 분류 단계에서 사용자의 이전 피드백 행동을 모두 히스토리(history)로 모두 기억시켜 놓고 다음 단계를 위한 가중치 학습을 위해 사용하도록 한다. 히스토리를 사용함으로써 제안하는 알고리즘은 사용자의 주관적 의도를 보다 정확하게 파악 할 수 있을 뿐만 아니라 학습을 위해 이전 단계만을 사용 했을 때 발생할 수 있는 성능 감소를 막을 수 있다. 본 논문에서는 Corel-photo CD에서 3000장의 자연 영상을 무작위로 추출하여 기존의 방법론들과 제안하는 방법론의 성능을 측정하여 본 논문에서 제안하는 방법론이 성능이 우수함을 증명하였다.
In this paper, we propose a new relevance feedback algorithm using Probabilistic Neural Networks(PNN) while supporting multi-class learning. Then, to validate the effectiveness of our feedback approach, we incorporate the proposed algorithm into our region-based image retrieval tool, FRIP(Finding Re...
In this paper, we propose a new relevance feedback algorithm using Probabilistic Neural Networks(PNN) while supporting multi-class learning. Then, to validate the effectiveness of our feedback approach, we incorporate the proposed algorithm into our region-based image retrieval tool, FRIP(Finding Regions In the Pictures). In our feedback approach, there is no need to assume that feature vectors are independent, and as well as it allows the system to insert additional classes for detail classification. In addition, it does not have a long computation time for training because it only has four layers. In the PNN classification process, we store the user's entire past feedback actions as a history in order to improve performance for future iterations. By using a history, our approach can capture the user's subjective intension more precisely and prevent retrieval performance errors which originate from fluctuating or degrading in the next iteration. The efficacy of our method is validated using a set of 3000 images derived from a Corel-photo CD.
In this paper, we propose a new relevance feedback algorithm using Probabilistic Neural Networks(PNN) while supporting multi-class learning. Then, to validate the effectiveness of our feedback approach, we incorporate the proposed algorithm into our region-based image retrieval tool, FRIP(Finding Regions In the Pictures). In our feedback approach, there is no need to assume that feature vectors are independent, and as well as it allows the system to insert additional classes for detail classification. In addition, it does not have a long computation time for training because it only has four layers. In the PNN classification process, we store the user's entire past feedback actions as a history in order to improve performance for future iterations. By using a history, our approach can capture the user's subjective intension more precisely and prevent retrieval performance errors which originate from fluctuating or degrading in the next iteration. The efficacy of our method is validated using a set of 3000 images derived from a Corel-photo CD.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
여러 가지의 신경망 중 오류 역전파(Back-propagation) 학습기는 신경망에서 가장 많이 사용되는 방법이기는 하지만 학습을 위한 많은 계산 시간을 요구 하며 지역적 국소(local minima)에 빠질 수 있는 단점이 있 다[15]. 본 논문에서는 사용자 피드백 학습을 위해 오류 역 전파 방법을 사용하지 않고 확률적 신경망(PNN: Probabilistic Neural Network)을 변형하여 새로운 연관성 피드백 방법론 을 제안한다. 확률적 신경망의 경우 특징 벡터가 독립적이 라는 가정을 할 필요가 없고 시스템으로 하여금 보다 상세 한 분류를 위해 클래스를 추가할 수 있도록 허용한다.
본 논문에서는 새로운 연관성 피드백 알고리즘을 제안하고 이를 FRIP 시스템에 결합하였다. 결합된 시스템의 동작 과정을 살펴보면, 우선 사용자가 질의 영상을 선택하고 '영상 분할' 버튼을 눌러 영상을 영역단위로 분할한다.
우선 각각의 훈련 집합(본 논문에서는 사용자가 선 택한 영상)의 패턴 X를 <1] 범위로 정규화 한다. 본 논문에서는 특징 벡터의 차원을 줄이기 위해 입력 벡터 X를 질의 영역과 검색 결과에서 사용자가 선택한 각 영역 간의 특징 값의 거리 (distance)로 정하였다. 즉, 입력 패턴 们은 색상 거리 값을 의미하며 5개의 특징을 사용했을 경우 입력 벡터의 차원은 气 ~%까지 5가 된다.
본 논문에서는 확률적 신경망(PNN)을 이용하여 4개의 클 래스를 지원하는 연관성 피드백 알고리즘을 제안하고 있다. 본 논문의 학습 과정에서 특징 거리를 측정하기 위한 가중치는 사용자의 피드백 동작에 의해 사용자의 인지 특성과 유사하게 재조정된다.
본 시스템의 목표는 질의 영역과 가장 유사한 영역을 포함 하여 데이터베이스 영상을 검색하는 것이다. 본 실험에서는 Blobworld(http: 〃elib.
최근 대부분의 내용기반 영상/비디오 검색 시스템에서 연 관성 피드백(relevance feedback) 알고리즘은 가장 많이 사용되는 검색 모델 중의 하나이다. 이러한 모델은 일반적으로 사용자와의 상호작용을 통해 검색 성능을 향상시키는데 이용되고 있으며 또한 사용자의 선택에 의해 질의 결과를 점차적으로 개선하도록 하는데 목적이 있다. 연관성 피드백 을 사용하지 않는 검색 시스템들[1-3]의 경우 사용자의 주관적인 인식뿐만 아니라 고 수준(자동차, 배, 호랑이 등)의 개념들을 효과적으로 검색 시스템에 반영 하지 못하는 단점이 있다.
그 결과로 검색 성능은 단계마다 일정하게 상승하는 것이 아니라 불안정한 형태를 보이며 때로는 오히려 성능의 저하를 가져올 수 있다. 이러한 문제점을 극복하기 위해 본 논문에서는 PNN 알 고리즘이 이전의 히스토리를 고려할 수 있도록 판별식 함 수를 수정하였다.
가설 설정
(2) 가중치 벡터 当를 모두 1로 초기화 한다.
제안 방법
본 논문의 학습 과정에서 특징 거리를 측정하기 위한 가중치는 사용자의 피드백 동작에 의해 사용자의 인지 특성과 유사하게 재조정된다. 가중치 조정 후에 분류 동작에서 가중치는 각 패 턴 유닛에 적용되고 히스토리와 최종 분류 함수에 의해 상위 k개의 영상만이 사용자에게 결과로 보여 지도록 설계되었다. 본 논문의 연관성 학습 방법은 PNN을 사용하였기 때문에 특 징 벡터가 독립적이어야 한다는 가정을 할 필요가 없고 시스 템으로 하여금 보다 상세한 클래스의 추가를 허용하고 있다.
본 논문에서 제안하는 PNN 기반 방법의 경우 사용자 선택의 범위가 단순히 유사, 비 유사의 두 클래스가 아닌 매우 유사(VS:Very Similar), 유 A[(S : Similar), 비 유사(D : Dissimilar), 매우 비 유사(VD: Very Dissimilar)의 4가지 멀티 클래스 분류가 가능하다. 따라서 본 논문에서는 VS, S, D, VD의 4가지 클래스를 통해 가중치를 갱신하고 이를 검색에 사용하여 성능을 향상 시키 도록 하였다. 또한, 히스토리(history) 개념을 추가하여 이전 단계에서 학습한 내용을 기억 시켜 놓음으로써 이전 단계에서 발생한 오류가 다음단계에서 발생하지 않고 검색 성능을 높일 수 있도록 하였다.
따라서 본 논문에서는 VS, S, D, VD의 4가지 클래스를 통해 가중치를 갱신하고 이를 검색에 사용하여 성능을 향상 시키 도록 하였다. 또한, 히스토리(history) 개념을 추가하여 이전 단계에서 학습한 내용을 기억 시켜 놓음으로써 이전 단계에서 발생한 오류가 다음단계에서 발생하지 않고 검색 성능을 높일 수 있도록 하였다.
본 논문에서는 확률적 신경망(PNN: Probabilistic Neural Networks)을 이용한 새로운 연관성 피드백 알고리즘을 제안 하고 이를 영역기반 영상 검색 시스템인 FRIP(Finding Regions In the Pictures)에 적용하였다. 본 논문에서 제안하는 PNN 기반 방법의 경우 사용자 선택의 범위가 단순히 유사, 비 유사의 두 클래스가 아닌 매우 유사(VS:Very Similar), 유 A[(S : Similar), 비 유사(D : Dissimilar), 매우 비 유사(VD: Very Dissimilar)의 4가지 멀티 클래스 분류가 가능하다.
가중치 조정 후에 분류 동작에서 가중치는 각 패 턴 유닛에 적용되고 히스토리와 최종 분류 함수에 의해 상위 k개의 영상만이 사용자에게 결과로 보여 지도록 설계되었다. 본 논문의 연관성 학습 방법은 PNN을 사용하였기 때문에 특 징 벡터가 독립적이어야 한다는 가정을 할 필요가 없고 시스 템으로 하여금 보다 상세한 클래스의 추가를 허용하고 있다. 또한, 연관성 피드백을 위해 4개의 클래스를 지원하고 있기 때문에, 피드백 과정에서 사용자의 의도를 보다 정확하게 파 악할 수 있고 사용자의 모든 피드백 동작을 저장해 놓음으로 써 다음단계의 성능 향상을 보장 할 수 있다.
FRIP 시스템은 윈도우즈 기반의 Visual C++로 개발되었다. 본 시스템에서 사용자는 브라우징을 통해 사용자가 찾기 원하는 영역이 포함된 영상을 발견하고 세그멘테이션 버튼을 눌러 분할된 영상에서 해당 영상을 더블 클릭하여 영상을 검색하도록 설계되었다. 본 시스템에 의해 분할된 영상 분 할의 결과의 일부는 http://video.
수식 (5)에 의해 ; 패턴에서 모든 특징 벡터의 평균값의 합으로 각각의 특징 벡터 값을 나 누는 정규화 과정을 실시하고 정규화 후에 실제 특징 벡터 의 가중치는 특징 벡터의 출력 勺이 된다. 수식 (5)에서 exponential 형태의 가중치 부여 방식은 지역적 특징 연관성 의 변화에 민감하고 선형적 방식 보다 좋은 성능을 보여 줌 으로[4-5], 본 논문에서는 이 방법을 적용하여 정규화 과정을 실시하였다.
또한 사용자는 보다 정확한 검색을 위해 여러가지 특징 값을 선택적으로 사용할 수 있도록 메 뉴를 구성하고 있다. 실험에서는 사용자가 모든 특징 값을 다 사용하고 상위 20개의 영상만을 결과로 제시받은 뒤 이를 통해 연관성 학습을 하도록 하였다. 상위 20개의 영상이 결과로 제시된 후에 사용자는 자신의 주관에 따라 영상을 VS, S, D, VD 중 하나로 선택하게 된다.
영역 분할을 위해서는 베이지안 알고리즘과 질감 확률 분포를 이용한 세 개의 원 형 필터를 사용한다. 첫 번째 단계에서 세 개의 적응적 원 형 필터를 영상 안에 포함된 질감 정보의 양에 따라 다르게 적용하고 두 번째 단계에서 첫 번째 단계의 결과에서 나온 작은 패치(patch)들을 영역 병합과 영역 레이블링(labeling) 을 통해 임계값 이하 까지 반복하는 과정을 실시한다. 최종 적으로 영역의 개수가 일정 이하인 작은 영역들을 인접한 최대 크기 영역으로 병합 하는 과정을 적용한다.
스무딩 파라메타 <7는 가우시안 윈도우의 너비를 결정한다. 하지만 <7를 결정하기 위한 정형화된 방법이 없고 <7의 작은 변화는 오 분류율에 결정정인 영향을 미치지 못함으로 본 논문에서는 실험에 의해 가장 좋은 성능을 보여주는 수치를 결정하 도록 하였다. 이를 위해 코렐(Corel) 영상 데이터베이스로부터 테스트 샘플로 태양, 독수리, 호랑이 영상을 선택하고 precision을 측정하여 가장 좋은 성능을 보여주는 0.
대상 데이터
본 시스템의 목표는 질의 영역과 가장 유사한 영역을 포함 하여 데이터베이스 영상을 검색하는 것이다. 본 실험에서는 Blobworld(http: 〃elib.cs.berkeley.eduUblobworld/)[18]의 실험 방법과 유사하게 두 종류의 태양, 호랑이, 자동차, 독수리, 비행기, 교통 표지판, 꽃의 총 9개 도메인에 대해 검색 결과를 실험하였다. 실험은 코렐-포토(Corel-photo CD)로부터 무작 위로 다양한 영상을 섞어놓은 3000개의 영상을 이용하였다.
eduUblobworld/)[18]의 실험 방법과 유사하게 두 종류의 태양, 호랑이, 자동차, 독수리, 비행기, 교통 표지판, 꽃의 총 9개 도메인에 대해 검색 결과를 실험하였다. 실험은 코렐-포토(Corel-photo CD)로부터 무작 위로 다양한 영상을 섞어놓은 3000개의 영상을 이용하였다. 모든 실험에서 검색의 성능 평가는 precision을 이용하였다.
데이터처리
본 논문에서 제안하는 피드백 알고리즘의 성능을 검증하기 위해서 PFRL[8]과 MPFRL[4], Yong의 피드백 알고리즘[6], Rocchio의 피드백 알고리즘[기과 성능을 비교하였다. (그림 8)은 9개 실험 영상에 대한 각 알고리즘과의 평균 검색 성 능에 대한 비교 결과를 보여주고 있다.
이론/모형
실험은 코렐-포토(Corel-photo CD)로부터 무작 위로 다양한 영상을 섞어놓은 3000개의 영상을 이용하였다. 모든 실험에서 검색의 성능 평가는 precision을 이용하였다.
이러한 사용자의 피드 백 동작에 의해 유사성 측정을 위한 특징 가중치가 다시 재 조정되게 되거나 질의 점(query point)이 이동되게 된다. 본 논문에서는 유사 혹은 비 유사만을 구분하여 가중치를 갱신하는 이진 클래스 방식의 기존 방법에서 벗어나 다중 클래스 연관성 피드백 알고리즘을 제안하고 이를 기존에 제안한 영역기반 영상검색 도구인 FRIP(Finding Regions In the Pictures) 시스템[9T0]에 적용하였다. 본 시스템의 피드 백을 위한 사용자 메뉴는 매우 유사(VS:Very Similar), 유 4(S : Similar), 비 유사(D : Dissimilar), 매우 비 유사(VD: Very Dissimilar)의 4개의 클래스로 구성된다.
FRIP 시스템[9]은 영역을 분할하고 유사성 측정을 위해 각 영역으로부터 5개의 특징 값을 추출하여 검색에 사용하는 영역기반 영상 검색 시스템이다. 영역 분할을 위해서는 베이지안 알고리즘과 질감 확률 분포를 이용한 세 개의 원 형 필터를 사용한다. 첫 번째 단계에서 세 개의 적응적 원 형 필터를 영상 안에 포함된 질감 정보의 양에 따라 다르게 적용하고 두 번째 단계에서 첫 번째 단계의 결과에서 나온 작은 패치(patch)들을 영역 병합과 영역 레이블링(labeling) 을 통해 임계값 이하 까지 반복하는 과정을 실시한다.
색상 정보 : CIE-LAB 색상 공간으로부터 각 영역의 L, a*, b* 색상의 평균 및 분산 추출 한다. 질의(q) 및 데 이터베이스 영역 (t) 간의 색상 유사성 측정을 위해 cityblock 거리 측정법을 사용하고 이를 d濟 표시한다.
성능/효과
(그림 8)은 9개 실험 영상에 대한 각 알고리즘과의 평균 검색 성 능에 대한 비교 결과를 보여주고 있다. (그림 8)에서 보는 것과 같이 본 논문에서 제안한 PNN 기반 방법론은 다른 방 법론과 비교하여 피드백 횟수가 증가할수록 성능이 좋아질 뿐만 아니라 다른 방법론에서 나타나는 성능의 진동 현상이 발생하지 않는다. 다른 방법론에서 성능의 진동 현상이 발생하는 이유는 가중치만을 갱신했기 때문에 이전 단계에서 검출되었던 비유사 영상이 다시 검색되는 오류로 인한 것이다.
사용자는 보다 정확한 검색을 위해 영상 의 특성에 따라 5개의 특징을 선별적으로 선택이 가능하다. 검색 후 k개의 검색 영상이 결과로 나타나면 사용자는 자신의 주관에 따라 결과 영상을 매우 유사(VS), 유사(S), 비 유 사(D), 매우 비 유사(仰)의 하나를 선택한다. 만약 판단하기 어려울 경우 선택하지 않아도 된다.
원래 PNN알고리즘을 검색을 위한 연관성 추정 방법으로 사용할 경우 메모리개념이 없기 때문에 검색에서 이전 단계 에서의 학습된 내용은 다음 단계에서 특징 값의 연관성 추 정을 위해 사용되지 못하는 문제점이 있다. 그 결과로 검색 성능은 단계마다 일정하게 상승하는 것이 아니라 불안정한 형태를 보이며 때로는 오히려 성능의 저하를 가져올 수 있다. 이러한 문제점을 극복하기 위해 본 논문에서는 PNN 알 고리즘이 이전의 히스토리를 고려할 수 있도록 판별식 함 수를 수정하였다.
본 논문의 연관성 학습 방법은 PNN을 사용하였기 때문에 특 징 벡터가 독립적이어야 한다는 가정을 할 필요가 없고 시스 템으로 하여금 보다 상세한 클래스의 추가를 허용하고 있다. 또한, 연관성 피드백을 위해 4개의 클래스를 지원하고 있기 때문에, 피드백 과정에서 사용자의 의도를 보다 정확하게 파 악할 수 있고 사용자의 모든 피드백 동작을 저장해 놓음으로 써 다음단계의 성능 향상을 보장 할 수 있다. 실험결과에서 보듯이 검색 결과는 진동하거나 감소되지 않고 반복 횟수에 따라 꾸준히 증가됨을 알 수 있다.
본 논문에서는 확률적 신경망(PNN: Probabilistic Neural Networks)을 이용한 새로운 연관성 피드백 알고리즘을 제안 하고 이를 영역기반 영상 검색 시스템인 FRIP(Finding Regions In the Pictures)에 적용하였다. 본 논문에서 제안하는 PNN 기반 방법의 경우 사용자 선택의 범위가 단순히 유사, 비 유사의 두 클래스가 아닌 매우 유사(VS:Very Similar), 유 A[(S : Similar), 비 유사(D : Dissimilar), 매우 비 유사(VD: Very Dissimilar)의 4가지 멀티 클래스 분류가 가능하다. 따라서 본 논문에서는 VS, S, D, VD의 4가지 클래스를 통해 가중치를 갱신하고 이를 검색에 사용하여 성능을 향상 시키 도록 하였다.
또한, 연관성 피드백을 위해 4개의 클래스를 지원하고 있기 때문에, 피드백 과정에서 사용자의 의도를 보다 정확하게 파 악할 수 있고 사용자의 모든 피드백 동작을 저장해 놓음으로 써 다음단계의 성능 향상을 보장 할 수 있다. 실험결과에서 보듯이 검색 결과는 진동하거나 감소되지 않고 반복 횟수에 따라 꾸준히 증가됨을 알 수 있다. 본 논문에서는 제안하는 피드백 학습 알고리즘을 바탕으로 향후 과제로 영상 내에서 중요 영상(001:3取-。「力双心七)을 자동으로 추출해 내고 이를 질의 영상으로 사용하는 연구를 지속할 것이다.
[표 1]에서 보는 것과 같이 연관성 피드백 알고리즘을 사용하지 않을 경우 검색 성능은 약 48%에 불과 했다. 하지만 5번의 반복 후에 평균 검색 성능은 약 81%로 향상됨을 알 수 있다. (그림 9)부터 (그림 10)은 9개의 검색 영상 중에 3개의 질의 영상에 대한 검색 결과를 보여주고 있다.
다른 방법론에서 성능의 진동 현상이 발생하는 이유는 가중치만을 갱신했기 때문에 이전 단계에서 검출되었던 비유사 영상이 다시 검색되는 오류로 인한 것이다. 하지만 본 논문에서는 히스토리를 사용함으로 이러한 문제점을 해결 할 수 있을 뿐만 아니라 사용자에게 4개의 클래스를 지원함으로 보다 정확하고 사용자 인지(perception) 지향적인 검색 결과를 얻을 수 있다.
후속연구
실험결과에서 보듯이 검색 결과는 진동하거나 감소되지 않고 반복 횟수에 따라 꾸준히 증가됨을 알 수 있다. 본 논문에서는 제안하는 피드백 학습 알고리즘을 바탕으로 향후 과제로 영상 내에서 중요 영상(001:3取-。「力双心七)을 자동으로 추출해 내고 이를 질의 영상으로 사용하는 연구를 지속할 것이다.
참고문헌 (18)
M. Flickner, W.Niblack, D. Petkovic, W. Equitz and R. Barber. 'Efficient and Effective Querying by Image Content,' Research Report #RJ 9203(81511), IBM Almanden Research Center, San Jose, 1993
M. Carson, S. Thomas, J M. Belongie, and J Malik. 'Blobworld : A system for region-based image indexing and retrieval,' In Proc. Int. Conf. Visual Inf Sys,.l999
Y. Hibner, L. J Guibas, and C. Tomasi, 'The earth mover's distance, multi-dimensional scaling, and color-based image retrieval,' Proceeding of the ARPA Image Understanding Workshop, pp.661-668. May, 1997
B.C. Ko, J. Peng, and H Byun, 'Region-Based Irrage Retrieval Using Probabilistic Feature Relevance Feedback,' Pattern Analysis and Applioation(PAA), Vol.4, pp.174-184, 2001
J. Peng, B. Bhanu, and S. Qing, 'Probabilistic Feature Relevance Learning for Content-Based Image Retrieval,' Computer Vision and Image Understanding, Vol.75, No.l/2, pp.150-164. 1999
Y. Rui, T. S. Huang, M Ortega and S. Mehrotra, 'Relevance Feedback: A Power Tool for Interactive Content-Based Image Retrieval,' IEEE Trans. on Circuits and Systems for Video Technology, Vol.8, No.5, pp.644-655, Sept., 1998
J.J. Rocchio, 'Relevance feedback in information retrieval,' In Gerard Salton, editor, The SMART Retrieval System-Experiments in Automatic Document Processing, pp.313-323, Prentice Hall, Englewood Cliffs, N,J., 1971
Y. Ishikawa, R. Subramanya, and C. Faloutsos, 'Mindreader : Query Databases through Multiple Examples,' In proceeding of the 24th VLDB Conference, New York, 1998
B. C. Ko, H Byun, 'FRIP: A Region-based Image Retrieval Tool Using Automatic Image Segmentation and Stepwise Boolean AND Matching,' IEEE Transaction on Multimedia, Vol.7. Issue 1, pp.105-113, Feb., 2005
Y. Rui and T. Huang, 'Optimizing Learning in Image Retrieval,' IEEE Int. Conference on Computer Vision and Pattern Recognition, June, 2000
N. Vasconcelos and A Iipprmn, 'Bayesian Relevance Feedback for Content-Based Image Retrieval,' IEEE Workshop on Content-based Access of Image and Video libraries, pp.63-67,2000
C. Meilhac and C. Naster, 'Relevance Feedback and Category Search in Image Databases,' IEEE Int. Conference on Multimedia Computing and Systems, pp.512-517, 1999
S. D. Macarhur, C. E. Bradley, and en Shyu, 'Relevance Feedback Decision Trees in Content-Based Image Retrieval,' IEEE Workshop on Content-based Access of Image and Video Libraries, pp.68-72, 2000
P. Hong, Q. Tian, T. S. Huang, 'Incorporate support vector machines to content-based image retrieval with relevance feedback,' IEEE Int. Conference on Image Processing, pp.750-753, 2000
D. F. Specht, 'Probabilistic Neural Networks and Polynomial Adaline as Complementary Techniques for Classification,' IEEE Trans. on Neural Networks, Vol.1 pp.111-121, March, 1990
R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, A Wiley- Interscience Publication, Second Edition, 2000
L. Wu, C. Faloutsos, K. Sycara, and T. R. Payne, 'FALCON,:Feedback adaptive loop for content-based retrieval,' Int. Conf. Of Very Large Database(VLDB),pp.10-14, Sept. 2000
C. Carson, S. Belongie, H. Greenspan, J. Malik, 'Blobworld : image segmentation using expectation-maximization and its application to image querying,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.24 No.8, pp.1026-1038, 2002
※ AI-Helper는 부적절한 답변을 할 수 있습니다.